Clin Invest Gin Obst.

2018;45(1):24---31

clínica e investigación en
ginecología y obstetricia
www.elsevier.es/gine

REVISIÓN DE CONJUNTO

Sistemas de clasificación y predicción de riesgo

de malignidad de las lesiones anexiales
J.J. Hidalgo Mora a,c,∗ , N. Rams Llop b , F. Ros Bernal c y J.L. Alcázar Zambrano d

a
Servicio de Ginecología y Obstetricia, Hospital Comarcal Universitario de Vinaròs, Castellón, España
b
Servicio de Ginecología y Obstetricia, Hospital de la Santa Creu i Sant Pau, Barcelona, España
c
Unidad Predepartamental de Medicina, Facultad de Ciencias de la Salud, Universitat Jaume I, Castellón, España
d
Departamento de Obstetricia y Ginecología, Clínica Universidad de Navarra, Facultad de Medicina, Universidad de Navarra,
Pamplona, España

Recibido el 25 de enero de 2017; aceptado el 27 de marzo de 2017

Disponible en Internet el 15 de mayo de 2017

PALABRAS CLAVE Resumen El diagnóstico de una masa anexial es un problema frecuente en la consulta gineco-
Masas anexiales; lógica. El principal objetivo de la evaluación de una masa anexial es el diagnóstico o exclusión
Ecografía; de malignidad, dado que el cáncer de ovario es la neoplasia ginecológica más letal y que una
Modelos predictivos; cirugía inicial adecuada es uno de sus principales factores pronósticos. La evaluación ecográfica
Sistemas de continúa siendo el mejor método para clasificar las masas anexiales. Si existe la sospecha de
puntuación; malignidad de la lesión, la paciente debe ser remitida a un centro especializado en ginecolo-
Triaje gía oncológica. Sin embargo, si la sospecha es de benignidad, se puede optar por una actitud
expectante o por un tratamiento quirúrgico conservador.
El objetivo de este artículo es revisar los sistemas de clasificación de las lesiones anexiales
más importantes y más ampliamente empleados, analizando su metodología y los resultados de
su aplicación en los principales estudios de validación publicados hasta el momento.
© 2017 Elsevier España, S.L.U. Todos los derechos reservados.

KEYWORDS Classification systems and prediction of risk of malignancy of the adnexal masses
Adnexal masses;
Ultrasonography; Abstract The diagnosis of an adnexal mass is a common problem in gynaecological consul-
Predictive models; tation. The main objective of an adnexal mass evaluation is the diagnosis or exclusion of
Scoring systems; malignancy. This is the case because ovarian cancer is the most lethal gynaecological neo-
Triage plasia and appropriate initial surgery is one of the main prognostic factors. Ultrasound scans
continue to be the best method of classifying an adnexal mass. If there is any suspicion of a
malignant tumour, the patient must be referred to a specialist gynaecological oncology centre.

∗ Autor para correspondencia.

Correo electrónico: hidalgomorajj@gmail.com (J.J. Hidalgo Mora).

https://doi.org/10.1016/j.gine.2017.03.005
0210-573X/© 2017 Elsevier España, S.L.U. Todos los derechos reservados.
Sistemas de predicción de riesgo de malignidad de las lesiones anexiales 25

However, if there is any suspicion of a benign tumour, watchful waiting or minimally invasive
surgery may be indicated.
The objective of this article is to carry out a review of the most important and widely used
classification systems of adnexal masses, analysing their methodology and the results of their
application in the main validation studies published to date.
© 2017 Elsevier España, S.L.U. All rights reserved.

Introducción En este artículo nos planteamos realizar una revisión de

Las masas anexiales constituyen un problema frecuente en
la consulta ginecológica y una de las dolencias que más
dudas genera a la hora de realizar un diagnóstico preciso
y su posterior enfoque terapéutico. Se estima que un 13-
21% de las pacientes con una masa pélvica presentarán una
neoplasia ovárica epitelial invasiva1 . Además, el cáncer de
ovario es uno de los más letales en los países desarrollados
----es la sexta causa de muerte oncológica entre las mujeres
europeas---- por lo que resulta fundamental realizar un diag-
nóstico preciso con relación a su benignidad o malignidad2 .
Las lesiones con alta sospecha de benignidad pueden
ser manejadas de forma expectante o con cirugía con-
servadora en centros no especializados, mientras que las
probablemente malignas deben ser remitidas a centros
especializados en ginecología oncológica, dado que un diag-
nóstico temprano y preciso y una adecuada cirugía inicial
de estadificación y citorreducción se encuentran entre los
factores pronósticos más importantes del cáncer de ova-
rio. Sin embargo, menos de la mitad de estas pacientes son
intervenidas inicialmente por ginecólogos oncólogos espe-
cializados, lo que en la mayoría de los casos se produce por
un inadecuado diagnóstico preoperatorio3---8 .
De los 3 parámetros empleados clásicamente en el
diagnóstico diferencial de las masas anexiales: 1) la explo-
ración física, 2) los niveles de marcadores tumorales y 3)
la ecografía, los 2 primeros han demostrado un valor diag-
nóstico limitado, por lo que la valoración ecográfica sigue
siendo la mejor herramienta para establecer una sospecha
de benignidad o malignidad con una precisión adecuada.
Aunque en muchos casos las características ecográficas
de una masa anexial orientan hacia su naturaleza exacta,
el objetivo de su estudio no debe ser tanto establecer
este diagnóstico de certeza «anatomopatológico» como
determinar la probabilidad de su benignidad o malignidad.
El análisis ecográfico de las lesiones anexiales puede
realizarse con la simple valoración subjetiva del ecogra-
fista (pattern recognition), lo que puede superar el 90% de
precisión diagnóstica en manos expertas, o con la aplica-
ción de sistemas o modelos matemáticos predictivos basados
en la presencia o ausencia de determinadas características
morfológicas de las lesiones. Estos modelos de predicción,
desarrollados desde principios de los años 90, no han demos-
trado hasta ahora mejorar el rendimiento diagnóstico de la
valoración subjetiva por ecografistas expertos. Además, nin-
guno de ellos ha logrado extenderse en la práctica clínica
diaria7,9---15 .
los sistemas de clasificación de las lesiones anexiales más
importantes y más utilizados en la práctica clínica, anali-
zando su metodología y los resultados de su aplicación en
los principales estudios de validación publicados hasta el
momento.
Sistemas de clasificación de las lesiones
anexiales
El análisis ecográfico de una masa anexial no debe limitarse
a describir su apariencia morfológica, pero tampoco debe
pretender sistemáticamente dar un diagnóstico específico e
histológico de esta. Su objetivo fundamental debe ser rea-
lizar su clasificación o triaje para establecer su riesgo de
malignidad, lo que puede realizarse de forma subjetiva o
mediante sistemas objetivos.
Una crítica general al uso de la ecografía como único test
diagnóstico para las lesiones anexiales es su subjetividad y su
rendimiento dependiente de la experiencia y la habilidad del
ecografista. Por eso, se han propuesto modelos predictivos
basados en variables tanto ecográficas como epidemioló-
gicas, clínicas o analíticas, con los objetivos de calcular
individualmente el riesgo de malignidad de la lesión, apoyar
a ecografistas menos experimentados de una forma obje-
tiva y orientar a los clínicos en el manejo terapéutico de la
paciente.
Desde que Grandberg et al.16 señalaran en 1989 que la
valoración ecográfica por vía vaginal de una masa ovárica
podía predecir la probabilidad de su malignidad, se han
sucedido las propuestas de sistemas de puntuación y
modelos predictivos basados en la ecografía con el objetivo
de generar reglas y patrones de interpretación que ayuden
a ecografistas menos experimentados a reproducir los
resultados de los expertos para clasificar las masas ováricas
con un nivel de precisión aceptable17 . Sin embargo, ninguno
de estos modelos ha sido aceptado de forma general para
ser aplicado en la práctica clínica diaria. En 2 revisiones
recientes se ha señalado la existencia de 116 diferentes
modelos de predicción desarrollados para clasificar las
masas anexiales como benignas o malignas, lo que da idea
tanto de los esfuerzos realizados en este campo como de la
falta de consistencia de los resultados11,15 .
En cualquier caso, en todo estudio ecográfico de una
lesión anexial, además de su descripción morfológica, se
debería incluir la valoración de su riesgo de malignidad,
aun teniendo en cuenta que tanto para su diagnóstico
26 J.J. Hidalgo Mora et al.

especificidad, lo que señala la conveniencia de contar con

Tabla 1 Rendimiento diagnóstico de los principales siste-
un test secundario seguro. En este sentido, se ha pro-
mas de clasificación de las lesiones anexiales
puesto tanto la aplicación de los sistemas objetivos de triaje
Sensibilidad Especificidad como la medición aislada de marcadores tumorales (como
(IC 95%) (IC 95%) el CA125 y la proteína epididimal humana 4 [HE4]), o su
Pattern recognition 88-98 89-96
incorporación a modelos predictivos como el ROMA, con
(Valentin et al., 2001)
resultados contradictorios hasta el momento23 .
Simple rules (Timmerman 93-95 90-91
et al., 2008) Clasificación objetiva
RMI (Jacobs et al., 1990) 85 97
LR1 (Timmerman et al., 93 77 El triaje subjetivo de las lesiones anexiales presenta una
2005) precisión diagnóstica y una reproducibilidad interobservador
LR2 (Timmerman et al., 92 75 limitadas en caso de examinadores poco experimentados.
2005) Durante las últimas 3 décadas se han propuesto múltiples
CA-125 + HE4 76 95 modelos predictivos con el fin de proporcionar a ecogra-
(Moore et al., 2008) fistas y clínicos herramientas que contribuyan a realizar
ROMA (Moore et al., 2009) 88 74 este triaje de forma más objetiva y con un rendimiento
GI-RADS (Amor et al., 2009) 92 97 diagnóstico similar al alcanzado por la valoración subjetiva
Three steps strategy 92 92 de ecografistas expertos. Algunos de estos modelos valoran
(Ameye et al., 2012) exclusivamente las características ecográficas de las lesio-
ADNEX (van Calster et al., 96 71 nes, otros emplean únicamente los niveles de marcadores
2014) tumorales y la mayoría combinan variables epidemiológicas,
ADNEX: Assessment of Different Neoplasias in the adneXa; HE4: ecográficas, clínicas y analíticas, valoradas con reglas de
human epididymis 4; LR: logistic regresión model; RMI: Risk of presencia/ausencia, sistemas de puntuación multimodales,
Malignancy Index; ROMA: Risk of Ovarian Malignancy Algorithm. modelos de regresión logística o algoritmos matemáticos.
Para poder ser utilizados en la práctica clínica, los mode-
los predictivos deben poder proporcionar un diagnóstico
definitivo como para la posterior actitud terapéutica se han preciso, ser de aplicación simple y resultar útiles en la
de considerar otros factores de la paciente como su edad, práctica habitual. Además, requieren ser validados exter-
antecedentes personales y familiares, estado menopáusico, namente ya que tienden a ser sobrevalorados al aplicarlos
síntomas y situación clínica. en la población con la que fueron desarrollados15 .

Clasificación subjetiva Reglas ecográficas

El término pattern recognition fue introducido por Valen-
tin en 1999 para referirse a la capacidad de un ecografista
de establecer un diagnóstico específico o la probabilidad de
benignidad o malignidad de una lesión ovárica con la sim-
ple valoración subjetiva de sus características ecográficas18 .
Diversos estudios han demostrado que este sistema, rea-
lizado por ecografistas experimentados, es el más preciso
para caracterizar una masa anexial19---21 : puede alcanzar una
sensibilidad del 88-98% y una especificidad del 89-96% para
establecer la probabilidad de su benignidad o malignidad,
o superar el 90% de precisión al realizar su diagnóstico
específico9,22 .
En algunos trabajos, el rendimiento diagnóstico del pat-
tern recognition en el triaje de las masas anexiales ha
superado al de los algoritmos y modelos objetivos, como
los modelos de regresión logística de Taylor y Timmerman,
el sistema de puntuación Risk of Malignancy Index (RMI) o
el basado únicamente en niveles de biomarcadores Risk of
Ovarian Malignancy Algorithm (ROMA)2,22,23 (tabla 1).
Sin embargo, a pesar de que el pattern recognition se
ha señalado como la mejor forma de diagnóstico de cán-
cer ovárico, algunos estudios han mostrado que un 10%
de los tumores son difíciles de clasificar incluso por eco-
grafistas experimentados (borderline, cistoadenofibromas,
cistoadenomas, fibromas y tumores benignos raros). En este
grupo de tumores la precisión global del diagnóstico por un
experto se sitúa alrededor del 68%, con pobres sensibilidad y
El grupo International Ovarian Tumour Analysis (IOTA) pro-
puso en 2008 las denominadas simple rules, consistentes en
valorar la existencia o ausencia de determinadas caracterís-
ticas típicas de las lesiones benignas y malignas24 .
Para elaborar estas «reglas simples», el grupo IOTA
aplicó retrospectivamente a 1.233 lesiones anexiales dife-
rentes combinaciones de variables ecográficas testando su
capacidad para predecir benignidad o malignidad mediante
el cálculo de su sensibilidad, especificidad, valor predictivo
positivo y negativo y curva ROC. Finalmente fueron elegidas
10 reglas en función de estos resultados, de la experiencia
clínica de los miembros de IOTA y de su aplicabilidad
al mayor número de tumores (tabla 2). Las simple rules
pudieron ser aplicadas al 76% de los 1.233 tumores, con
una sensibilidad del 93%, una especificidad del 90%, un
valor predictivo positivo del 80% y un valor predictivo
negativo del 97%, mientras que un 24% de los tumores
no pudieron ser clasificados con ellas. Después, fueron
evaluadas prospectivamente en 507 lesiones: pudieron ser
aplicadas también al 76% de ellas, con una sensibilidad del
95% y una especificidad del 91%24 .
Teniendo en cuenta los buenos resultados, la aplicación
de estas reglas podría ofrecer a ecografistas con poca expe-
riencia una buena precisión diagnóstica, además de ser un
método de aplicación sencilla en la práctica clínica. Sin
embargo, una importante limitación de este sistema de cla-
sificación es el alto porcentaje de lesiones (alrededor del
25%) en las que estas reglas no son aplicables, debido a que
Sistemas de predicción de riesgo de malignidad de las lesiones anexiales
Tabla 2 Parámetros ecográficos valorados en las simple
rules (Timmerman et al., 2008)
Reglas para predecir malignidad (M-rules)
M1 Tumor sólido irregular
M2 Presencia de ascitis
M3 Al menos 4 estructuras papilares
M4 Tumor multilocular sólido irregular con diámetro
≥100 mm
M5 Flujo sanguíneo muy intenso (score de color 4)
Reglas para predecir benignidad (B-rules)
B1 Unilocular
B2 Presencia de componentes sólidos donde el mayor
tiene un diámetro mayor a 7 mm
B3 Presencia de sombras acústicas
B4 Tumor multilocular liso con diámetro < 100 mm
B5 Ausencia de flujo sanguíneo (score de color 1)
no todas las masas anexiales presentan características cla-
ramente predictivas de benignidad o malignidad. Cuando no
son aplicables, las opciones podrían consistir en remitir a
la paciente a un ecografista experto como un segundo test
diagnóstico, considerar como malignas las lesiones no con-
cluyentes o realizar una resonancia magnética en las masas
difíciles de clasificar25 .
Sistemas de puntuación
Se han propuesto diversos sistemas de puntuación o sco-
res que pretenden objetivar y hacer posible la reproducción
interobservador de la valoración de las lesiones ováricas y
que ecografistas menos expertos consigan una mayor preci-
sión diagnóstica26 . De estos, el RMI, desarrollado por Jacobs
et al. en 1990, es probablemente el más usado, dado que no
es necesaria una gran experiencia para detectar las carac-
terísticas ecográficas que deben ser puntuadas; incluso se
ha propuesto en una revisión sistemática reciente como el
sistema de clasificación con un mejor rendimiento12,15 . Ade-
más, es el modelo para el cual se han realizado más trabajos
de validación externa15 .
Este índice se calcula por un algoritmo basado en diferen-
tes variables y se define como RMI = U × M × CA125, donde U
es el score ecográfico, M el estado menopáusico y CA125
el nivel del marcador. U es calculado dando un punto a
distintos parámetros ecográficos (multilocularidad, áreas
sólidas, bilateralidad, ascitis y metástasis intraabdomina-
les), de forma que un score de 0, 1 y ≥2 puntos otorga a
la variable U los valores de 0, 1 y 3 respectivamente. La
variable M adquiere valor de 1 en caso de premenopausia y
de 3 en caso de posmenopausia. Estos valores, junto al de
CA125 en U/ml, son introducidos en la ecuación, de forma
que un valor ≥200 es sugestivo de malignidad2,12 .
En diversos estudios este modelo ha mostrado buenos
resultados en cuanto a su rendimiento diagnóstico general y
en su comparación con modelos totalmente objetivos como
el ROMA, aunque resulta inferior al ser comparado con el
pattern recognition1,2,15,27,28 .
Modelos de regresión logística
Los modelos de regresión logística tienen como objetivo
estimar una probabilidad (un riesgo individualizado de
malignidad) en función de factores o variables predictoras o
27
independientes. Presentan el inconveniente de que necesi-
tan un software informático y que en ocasiones su aplicación
puede resultar compleja. Además, se ha apuntado que su
aplicación no mejora los resultados del pattern recognition.
Los primeros modelos de regresión logística desarrollados
para el triaje de las lesiones anexiales fueron propuestos
a finales de los años 9019,29 . Sin embargo, los resultados
de los primeros estudios de validación externa no fueron
demasiado prometedores, con sensibilidad y especificidad
en alguno de ellos del 62 y 79%, respectivamente22 . Para
mejorar estos resultados, el grupo IOTA desarrolló en 2005
un modelo, el LR2 (Logistic Regresión model), en un estu-
dio con 1.066 pacientes y con la valoración de más de
50 variables30 . Inicialmente fue desarrollada una versión
con las 12 variables más importantes para el cálculo de
probabilidad de malignidad (LR1) y se propuso posterior-
mente un modelo reducido con las 6 variables con mayor
impacto (LR2): edad (1), ascitis (2), flujo sanguíneo en pro-
yección papilar (3), diámetro máximo del componente sólido
(4), paredes quísticas internas irregulares (5) y sombras
acústicas (6).
LR2 estima la probabilidad de malignidad para una
lesión anexial con la fórmula 1/(1 + exp(−z)), donde
z = −5,3718 + 0,0354(1) + 1,6159(2) + 1,1768(3) + 0,0697(4) +
0,9586(5)−2,9486(6), considerándose un punto de corte de
probabilidad de 0,1 (10%) para clasificar las lesiones como
benignas o malignas. Una ventaja de LR2 es que proporciona
un riesgo absoluto de presentar un cáncer de ovario, lo
cual puede contribuir a aconsejar a la paciente y tomar
una decisión terapéutica compartida25 . Además, aunque
la fórmula matemática anterior pueda parecer de cálculo
complejo, para facilitar su aplicación práctica, el grupo
IOTA ha desarrollado aplicaciones para dispositivos móviles
que permiten obtener su resultado de forma inmediata
para una lesión anexial sin necesidad de realizar cálculos
matemáticos complejos.
En los estudios de validación interna y externa de este
modelo los resultados han sido favorables, con una sen-
sibilidad por encima del 90% en todos ellos y un mejor
rendimiento diagnóstico en su comparación con otros sis-
temas como RMI o ROMA29---31 . De forma general, los modelos
propuestos por el grupo IOTA han presentado mejores resul-
tados que los modelos no desarrollados por IOTA: son
LR1 y LR2 los que han mostrado el mejor rendimiento
diagnóstico32 .
Marcadores tumorales
Para dotar de la mayor objetividad posible a los modelos
predictivos, se han desarrollado algoritmos que incluyen úni-
camente el uso de biomarcadores para realizar el triaje de
las lesiones anexiales, como el ROMA o el OVA-18,33 .
El marcador tumoral clásicamente empleado en el diag-
nóstico de las masas anexiales ha sido el CA125. Su valor
es limitado al encontrarse elevado en menos de la mitad
de las neoplasias ováricas en estadios tempranos, no ser
expresado en un 20% de los tumores epiteliales de ovario
y estar aumentado en enfermedades ginecológicas benignas
en mujeres premenopáusicas y en enfermedades médicas en
la posmenopausia, por lo que su uso sistemático no aporta
mejor información clínica que la ecografía realizada por
expertos8,21,34,35 .
28
El nuevo biomarcador que ha mostrado mejores resul-
tados ha sido el HE4, secretado, entre otros tejidos, por
el aparato genital femenino y sobreexpresado en cánceres
ováricos serosos y endometrioides. Está elevado en más del
80% de las neoplasias epiteliales ováricas y menos frecuen-
temente que el CA125 en enfermedad benigna en mujeres
premenopáusicas. Además, aumenta en más del 50% de los
tumores que no expresan CA125, con lo que la suma de HE4
a CA125 permite la detección de neoplasia en pacientes con
tumores que no expresan CA125, lo que aumenta la sensibi-
lidad para la determinación del riesgo de malignidad de una
masa anexial36,37 .
La combinación de HE4 y CA125 presenta la más alta sen-
sibilidad entre las diversas combinaciones de marcadores
tumorales37 , lo que fue empleado en 2009 en el desarrollo
del ROMA, incorporando ambos marcadores a una serie de
algoritmos matemáticos para clasificar las masas anexiales
en bajo o alto riesgo de malignidad8 .
En estudios de validación posteriores los resultados han
sido contradictorios. Mientras en algunos de ellos el ROMA
se presenta con mejores resultados que otros modelos como
el RMI, argumentando que los algoritmos basados en los
biomarcadores presentan inherentemente una naturaleza
objetiva y que la omisión de medidas subjetivas facilita la
reproducibilidad entre centros8 , en otros se señala que este
algoritmo o el uso del HE4 no supera a otros test diagnósti-
cos que emplean CA125 como biomarcador único31,38 , y que
pueden incluso empeorar el rendimiento diagnóstico global
en caso de emplearse tras la valoración ecográfica por un
experto23 .
Nuevas estrategias de triaje
La utilidad relativa en la práctica clínica de los diferentes
modelos predictivos propuestos y los resultados en muchos
casos contradictorios de los estudios en los que se han
evaluado han llevado a que se hayan propuestos nuevas
estrategias para lograr una mayor precisión en la clasifica-
ción de las lesiones anexiales.
Uno de estos nuevos modelos consiste en un sistema
en 2 pasos. En un primer paso se realiza la valoración
ecográfica subjetiva de la lesión anexial y posteriormente
se mide el nivel sérico de HE4 o se aplica el algoritmo ROMA.
Sin embargo, en un estudio de validación de este modelo, si
en un primer paso el ecografista proponía un diagnóstico de
benignidad o malignidad, la medición posterior del HE4 o la
aplicación del ROMA mejoraba muy ligeramente, e incluso
en algunos casos empeoraba, los resultados en términos de
sensibilidad y especificidad. Incluso al aplicar el segundo
paso a las lesiones difíciles de clasificar para un ecografista
experimentado, se obtuvo una baja capacidad de clasifica-
ción con una pobre sensibilidad, con lo que esta estrategia
en 2 pasos no parece útil para mejorar el rendimiento diag-
nóstico de la valoración ecográfica por expertos (tabla 3)23 .
Otra de estas nuevas estrategias consiste en un modelo de
valoración ecográfica de las lesiones anexiales que supone
tanto una clasificación de su riesgo de malignidad como un
nuevo sistema de comunicación de la información para los
clínicos, denominado GI-RADS (Gynecologic Imaging Repor-
ting and Data System) y basado en el sistema BI-RADS
empleado para las lesiones mamarias. Clasifica las lesiones
J.J. Hidalgo Mora et al.
Tabla 3 Rendimiento diagnóstico de la estrategia en
2 pasos para la clasificación de las lesiones anexiales (Kaijser
et al., 2014)
Sensibilidad Especificidad
(IC 95%) (IC 95%)
Masas anexiales clasificadas como benignas
IS 97,2 89,8
IS + HE4 (<70 pmol/l) 97,9 79,6
IS + ROMA 97,9 75,9
Masas anexiales clasificadas como malignas
IS 97,2 89,8
IS + HE4 (≥70 pmol/l) 73,6 94,9
IS + ROMA 83,3 91,7
HE4: human epididymis 4; IS: impresión subjetiva; ROMA: Risk
of Ovarian Malignancy Algorithm.
Tabla 4 Descriptores instantáneos en el sistema de diag-
nóstico en 3 pasos de IOTA (Ameye et al., 2012)
Predictores de benignidad
Tumor unilocular con ecogenicidad en vidrio esmerilado
en mujer premenopáusica
Tumor unilocular con ecogenicidad mixta y sombras
acústicas en mujer premenopáusica
Tumor unilocular anecoico con paredes regulares y
máximo diámetro < 100 mm
Tumor unilocular restante con paredes regulares
Predictores de malignidad
Tumor con ascitis y al menos flujo vascular moderado con
Doppler color en mujer posmenopáusica
Edad > 50 años y CA125 > 100 U/ml
anexiales en GI-RADS 1 (definitivamente benigna), GI-RADS 2
(muy probablemente benigna), GI-RADS 3 (probablemente
benigna), GI-RADS 4 (probablemente maligna) y GI-RADS 5
(muy probablemente maligna). Esta clasificación define el
riesgo de malignidad basado en datos de estudios previos
y orienta al clínico en el abordaje terapéutico: conducta
expectante frente a cirugía por el ginecólogo general o ciru-
gía por un ginecólogo oncólogo39 . El modelo ha sido validado
internamente con resultados prometedores (sensibilidad del
92% y especificidad del 97%) y externamente por 2 grupos,
que han obtenido también un buen rendimiento diagnóstico
(sensibilidad del 99% y especificidad del 86-90%)39---42 .
Recientemente el grupo IOTA ha propuesto un sistema de
triaje basado en la aplicación de 3 pasos (three-step stra-
tegy) que parece proporcionar mejores resultados que los
modelos previos y una mayor aproximación a la realidad
clínica. En un primer paso denominado «diagnóstico fácil
inmediato» (easy «instant» diagnosis), a las lesiones anexia-
les les son aplicados 6 descriptores (4 de benignidad y 2 de
malignidad) basados en la información ecográfica y en los
niveles del CA125 (tabla 4), de forma que, si ninguno de los
6 descriptores es aplicable a la lesión o se pueden aplicar
uno benigno y uno maligno, el diagnóstico es considerado
difícil y «no inmediato». En un segundo paso, los casos en
los que no se puede realizar el diagnóstico inmediato son
valorados a través de las simple rules. Finalmente, el tercer
paso consiste en la valoración subjetiva por un ecografista
Sistemas de predicción de riesgo de malignidad de las lesiones anexiales
experto en los casos en los que no pueda realizarse un diag-
nóstico con los 2 pasos previos. En la estrategia en 3 pasos se
apuntó en su estudio de validación interna una sensibilidad
y especificidad global por encima del 92%: se observó que
aproximadamente el 50% de las lesiones pueden ser diag-
nosticadas de forma inmediata, sin dificultad, por la mayoría
de los clínicos (paso 1) y que el 80% son diagnosticadas con
los 2 primeros pasos por ecografistas no expertos. Cuando
los 2 primeros pasos no son concluyentes, la evaluación sub-
jetiva por un experto (paso 3) es el test diagnóstico más
preciso, mientras que RMI, LR1 y LR2 no resultan útiles43 .
En los escasos estudios de validación externa de este sis-
tema realizados hasta el momento, los resultados han sido
todavía mejores que los iniciales, con una sensibilidad del
93-94% y una especificidad del 92-95%44,45 . De esta forma,
esta valoración combinada podría cambiar la práctica clí-
nica, al proporcionar una clasificación precisa e inmediata
de la mayoría de las masas anexiales: es reducido el número
de pacientes que requerirían ser derivados a un centro de
referencia para el examen ecográfico por un experto.
Por último, también el grupo IOTA ha desarrollado
recientemente el modelo predictivo de regresión logís-
tica multinomial Assessment of Different Neoplasias in the
adneXa (ADNEX) con el objetivo de dar un paso más en la
discriminación entre tumores ováricos benignos y malignos
al intentar discriminar entre 5 tipos de tumores anexiales
(benignos, borderline, invasivos en estadio I, invasivos en
estadios II-IV y metastásicos). Para ello valora 3 variables clí-
nicas (edad, nivel de CA125 y tipo de centro hospitalario)
y 6 ecográficas (diámetro máximo de la lesión, proporción
de tejido sólido, presencia de más de 10 lóculos, número
de proyecciones papilares, presencia de sombra acústica y
presencia de ascitis). En su estudio de validación interna,
el rendimiento diagnóstico del modelo mostró en la discri-
minación entre lesiones benignas y malignas (con un punto
de corte del 10% para predecir malignidad) una sensibili-
dad del 96,5% y una especificidad del 71,3%, con una buena
capacidad para distinguir entre sí los 5 tipos de tumores, lo
que es planteado por los autores como un sistema con una
buena capacidad para mejorar las decisiones terapéuticas
en mujeres con lesiones anexiales46 .
Limitaciones en la aplicación clínica
de los modelos predictivos
Ninguno de los modelos predictivos propuestos para la clasi-
ficación de las lesiones anexiales ha logrado una aceptación
generalizada ni su empleo sistemático en la práctica clínica
habitual. Esto puede obedecer a las limitaciones que han
mostrado los estudios tanto de propuesta como de validación
de los modelos.
Existen pocos trabajos de validación externa para la
mayoría de los modelos de predicción: hasta 2013, solo 19 de
los 116 modelos propuestos habían sido validados externa-
mente en al menos 2 estudios11 . Además la mayoría de ellos
son de tipo retrospectivo y con sesgos en su diseño como
la falta de la valoración ciega por parte de los investigado-
res o ecografistas. De hecho, en los trabajos de validación
realizados prospectivamente la mayoría de los modelos pre-
sentaron peores resultados que en los estudios en los que
fueron creados17 .
29
Tampoco se han desarrollado muchos trabajos de com-
paración directa entre modelos, entre otros motivos porque
los puntos de corte adoptados varían y porque en algunos
casos cada uno emplea variables diferentes, lo que complica
la interpretación y la comparación de resultados. Además,
la mayoría de los estudios de validación no estratifican los
resultados en función de variables importantes como el
estado menopáusico, por lo que las conclusiones podrían no
ser del todo correctas cuando no se produce esta estrati-
ficación o se realiza con posterioridad a la clasificación de
las lesiones.
Además, aunque su objetivo es que ecografistas con un
nivel bajo de competencia puedan proporcionar un diagnós-
tico de benignidad/malignidad con una precisión adecuada,
muchos modelos han sido desarrollados y validados por
ecografistas expertos que habrían podido determinar el
diagnóstico mediante el pattern recognition, lo que habría
contribuido positivamente a la precisión de estos modelos16 .
Muchos estudios se han desarrollado en centros de refe-
rencia con unidades de ecografía especializada y con una
alta prevalencia de lesiones malignas, lo que implica una
influencia en los resultados de los valores predictivos. De
esta forma, en centros de referencia, la mayor prevalencia
de cáncer de ovario haría que el valor predictivo positivo
tendiera a disminuir, mientras que en hospitales pequeños
con baja prevalencia de cáncer ovárico, un test con la misma
sensibilidad y especificidad tendría un valor predictivo posi-
tivo más bajo. Además, en los centros de referencia la
experiencia de los ecografistas es mayor y, en consecuencia,
mejor el rendimiento diagnóstico ecográfico.
Por otra parte, la mayoría de los trabajos están reali-
zados con pacientes intervenidas quirúrgicamente, con el
estudio histológico como gold standard de diagnóstico final.
Sin embargo, existe poca información de pacientes en las
que se haya optado por una conducta expectante y sobre los
resultados de esta opción terapéutica en forma de errores
de clasificación, complicaciones o transformación maligna.
Además, en gran parte de los estudios solo se valora la
variable dicotómica «benigno/maligno», sin considerar que
existen diversos tipos de enfermedad maligna (borderline,
estadio temprano/avanzado, metástasis de neoplasias no
ováricas) cuyo manejo terapéutico es diferente.
Finalmente otro problema que ha hecho que estos siste-
mas predictivos no se hayan consolidado ha sido la falta de
semejanza de las condiciones de los estudios con la práctica
clínica habitual. Los estudios realizados para su desarrollo
y validación han incluido todo tipo de lesiones anexiales,
con independencia de si en la práctica clínica real estas
lesiones podrían haber sido fácilmente diagnosticadas por
los ecografistas. Como resultado, la precisión diagnóstica de
estos test probablemente haya sido sobrestimada y su ren-
dimiento puede resultar peor del esperado al ser aplicados
en la clínica más allá del entorno de investigación43 .
Conclusiones
El diagnóstico preciso y precoz de la benignidad o malignidad
de una lesión anexial resulta fundamental para la orienta-
ción terapéutica adecuada de las pacientes, con la ecografía
como el método de elección en este proceso diagnóstico.
Hasta el momento, el método de triaje que ha demostrado
30
mejores resultados ha sido la valoración subjetiva de eco-
grafistas expertos, aunque presenta los inconvenientes de
su gran dependencia de la subjetividad y competencia del
ecografista y de la dificultad para su reproducibilidad inter-
observador.
Para intentar lograr una mayor objetividad en la cla-
sificación de las lesiones anexiales y un más alto nivel
de precisión diagnóstica por ecografistas con menos nivel
de experiencia, se han desarrollado múltiples modelos
predictivos basados en el análisis de variables ecográficas,
epidemiológicas y clínicas de las pacientes, así como en el
valor de diferentes marcadores tumorales, sin que ninguno
de ellos haya demostrado mejores resultados que la valora-
ción subjetiva por expertos, lo que puede deberse en gran
medida a la dificultad y a los sesgos en el planteamiento y
diseño de los estudios para su desarrollo y validación.
Como nuevas estrategias de clasificación se han pro-
puesto modelos consistentes en la aplicación sucesiva de
diferentes sistemas de triaje complementarios, para inten-
tar mejorar los resultados de la aplicación de cada uno de
ellos de forma aislada. Aunque los buenos resultados obteni-
dos en la validación interna de algunos de ellos y su accesible
aplicación práctica señalan que podrían proporcionar una
buena aproximación a la realidad clínica, deben realizarse
más estudios para su validación externa. Esto resulta de
gran importancia, dado que se ha observado que los mode-
los diagnósticos predictivos presentan mejores resultados al
aplicarlos en las poblaciones en las que fueron desarrollados,
por lo que debe comprobarse si mantienen su rendimiento
diagnóstico en diferentes poblaciones y situaciones clínicas.
Conflicto de intereses
Los autores firmantes de este artículo declaran no haber
contado con fuentes de financiación para su elaboración ni
presentar ningún tipo de conflicto de intereses que pueda
ser relevante para su publicación.
Bibliografía
1. Moore RG, Jabre-Raughley M, Brown AK, Robinson KM, Miller
MC, Allard WJ, et al. Comparison of a novel multiple marker
assay versus the Risk of Malignancy Index for the prediction of
epithelial ovarian cancer in patients with a pelvic mass. Am J
Obstet Gynecol. 2010;203:e1---6.
2. Van Gorp T, Veldman J, van Calster B, Cadron I, Leunen K, Amant
F, et al. Subjective assessment by ultrasound is superior to the
risk of malignancy index (RMI) or the risk of ovarian malignancy
algorithm (ROMA) in discriminating benign from malignant adne-
xal masses. Eur J Cancer. 2012;164:9---56.
3. Paulsen T, Kjaerheim K, Kaern J, Tretli S, Tropé C. Improved
short-term survival for advanced ovarian, tubal, and peritoneal
cancer patients operated at teaching hospitals. Int J Gynecol
Cancer. 2006;16 Suppl 1:11---7.
4. Engelen MJ, Kos HE, Willemse PH, Aalders JG, de Vries EG,
Schaapveld M, et al. Surgery by consultant gynecologic onco-
logists improves survival in patients with ovarian carcinoma.
Cancer. 2006;106:589---98.
5. Earle CC, Schrag D, Neville BA, Yabroff KR, Topor M, Fahey
A, et al. Effect of surgeon specialty on processes of care
and outcomes for ovarian cancer patients. J Natl Cancer Inst.
2006;98:172---80.
J.J. Hidalgo Mora et al.
6. Giede KC, Kieser K, Dodge J, Rosen B. Who should operate on
patients with ovarian cancer? An evidence-based review. Gyne-
col Oncol. 2005;99:447---61.
7. Alcázar JL, Royo P, Jurado M, Mínguez JA, García-Manero
M, Laparte C, et al. Triage for surgical management of
ovarían tumors in asymptomatic women: Assessment of an
ultrasound-based scoring system. Ultrasound Obstet Gynecol.
2008;32:220---5.
8. Moore RG, McMeekin DS, Brown AK, DiSilvestro P, Miller MC,
Allard WJ, et al. A novel multiple marker bioassay utilizing HE4
and CA125 for the prediction of ovarian cancer in patients with
a pelvic mass. Gynecol Oncol. 2009;112:40---6.
9. Sokalska A, Timmerman D, Testa AC, van Holsbeke C, Lissoni
AA, Leone FPG. Diagnostic accuracy of transvaginal ultrasound
examination for assigning a specific diagnosis to adnexal masses.
Ultrasound Obstet Gynecol. 2009;34:462---70.
10. Guerriero S, Alcazar JL, Ajossa S, Galvan R, Laparte C, García-
Manero M, et al. Transvaginal color Doppler imaging in the
detection of ovarian cancer in a large study population. Int J
Gynecol Cancer. 2010;20:781---6.
11. Kaijser J, Sayasneh A, van Hoorde K, Ghaem-Maghami S, Bourne
T, Timmerman D, et al. Presurgical diagnosis using mathematical
models ans scoring systems: A systematic review and meta-
analysis. Hum Reprod Update. 2014;20:449---62.
12. Jacobs I, Oram D, Fairbanks J, Turner J, Frost C, Grudzinskas
JG. A risk of malignancy index incorporating CA 125, ultra-
sound and menopausal status for the accurate preoperative
diagnosis of ovarian cancer. Br J Obstet Gynaecol. 1990;97:
922---9.
13. Sassone AM, Timor-Tritsch IE, Artner A, Westhoff C, Warren WB.
Transvaginal sonographic characterization of ovarIan disease:
Evaluation of a new scoring system to predict ovarían malig-
nancy. Obstet Gynecol. 1991;78:70---6.
14. Bourne TH, Campbell S, Reynolds KM, Whitehead MI, Hampson
J, Royston P, et al. Screening for early familial ovarian can-
cer with transvaginal ultrasonography and colour blood flow
imaging. BMJ. 1993;306:1025---9.
15. Geomini P, Kruitwagen R, Bremer GL, Cnossen J, Mol BW. The
accuracy of risk scores in predicting ovarian malignancy: A sys-
tematic review. Obstet Gynecol. 2009;113:384---94.
16. Grandberg S, Wikland M, Jansson I. Macroscopic characteri-
zation of ovarian tumors and the relation to the histological
diagnosis: Criteria to be used for ultrasound evaluation. Gynecol
Oncol. 1989;35:139---44.
17. Nunes N, Yazbek J, Ambler G, Hoo W, Naftalin J, Jurkovic D.
Prospective evaluation of the IOTA Logistic Regression Model
(LR2) for the diagnosis of ovarian cancer. Ultrasound Obstet
Gynecol. 2012;40:355---9.
18. Valentin L. Pattern recognition of pelvic masses by gray-scale
ultrasound imaging: The contribution of Doppler ultrasound.
Ultrasound Obstet Gynecol. 1999;14:338---47.
19. Timmerman D, Bourne T, Tailor A, Collins WP, Verrelst H,
Vandenberghe K, et al. A comparison of methods for the
pre-operative discrimination between benign and malignant
adnexal masses: The development of a new logistic regression
model. Am J Obstet Gynecol. 1999;181:57---65.
20. Timmerman D. The use of mathematical models to evaluate
pelvic masses; can they beat an expert operator? Best Pract Res
Clin Obstet Gynaecol. 2004;18:91---104.
21. Valentin L, Jurkovic D, van Calster B, Testa A, van Holsbeke
C, Bourne T, et al. Adding a single CA 125 measurement to
ultrasound imaging performed by an experienced examiner
does not improve preoperative discrimination between benign
and malignant adnexal masses. Ultrasound Obstet Gynecol.
2009;34:345---54.
22. Valentin L, Hagen B, Tingulstad S, Eik-Nes S. Comparison of
‘pattern recognition’ and logistic regression models for dis-
crimination between benign and malignant pelvic masses:
Sistemas de predicción de riesgo de malignidad de las lesiones anexiales
A prospective cross validation. Ultrasound Obstet Gynecol.
2001;18:357---65.
23. Kaijser J, van Gorp T, Smet ME, van Holsbeke C, Sayasneh A,
Epstein E, et al. Are serum HE4 or ROMA scores useful to expe-
rienced examiners for improving characterization of adnexal
masses after transvaginal ultrasonography? Ultrasound Obstet
Gynecol. 2014;43:89---97.
24. Timmerman D, Testa A, Bourne T, Ameye L, Jurkovic D, van
Holsbeke C. Simple ultrasound-based rules for the diagnosis of
ovarian cancer. Ultrasound Obstet Gynecol. 2008;31:681---90.
25. Sayasneh A, Wynants L, Preisler J, Kaijser J, Johnson S, Stal-
der C, et al. Multicenter external validation of IOTA prediction
models and RMI by operators with varied training. Br J Cancer.
2013;108:2448---54.
26. Lee TS, Kim JW, Park NH, Song YS, Kang SB, Lee HP. Asses-
sing clinical performance of gynecology residents: Sonographic
evaluation of adnexal masses based on morphological scoring
systems. Ultrasound Obstet Gynecol. 2005;26:776---9.
27. Bailey J, Tailor A, Naik R, Lopes A, Godfrey K, Hatem HM, et al.
Risk of malignancy index for referral of ovarian cancer cases
to a tertiary center: Does it identify the correct cases? Int J
Gynecol Cancer. 2006;16 Suppl 1:30---4.
28. Jacob F, Meier M, Caduff R, Goldstein D, Pochechueva T, Hac-
ker N, et al. No benefit from combining HE4 and CA125 as
ovarian tumor markers in a clinical setting. Gynecol Oncol.
2011;121:487---91.
29. Tailor A, Jurkovic D, Bourne TH, Collins WP, Campbell S.
Sonographic prediction of malignancy in adnexal masses using
multivariate logistic regression analysis. Ultrasound Obstet
Gynecol. 1997;10:41---7.
30. Timmerman D, Testa AC, Bourne T, Ferrazzi E, Ameye L, Kons-
tantinovic ML, et al. Logistic regression model to distinguish
between the benign and malignant adnexal mass before sur-
gery: A multicenter study by the International Ovarian Tumor
Analysis Group. J Clin Oncol. 2005;23:8794---801.
31. Kaijser J, van Gorp T, van Hoorde K, van Holsbeke C, Sayasneh
A, Vergote I, et al. A comparison between an ultrasound based
prediction model (LR2) and the risk of ovarian malignancy algo-
rithm (ROMA) to assess the risk of malignancy in women with an
adnexal mass. Gynecol Oncol. 2013;129:377---83.
32. Van Holsbeke C, van Calster B, Bourne T, Ajossa S, Testa AC,
Guerriero S, et al. External validation of diagnostic models to
estimate the risk of malignancy in adnexal masses. Clin Cancer
Res. 2012;18:815---25.
33. Ueland FR, Desimone CP, Seamon LG, Miller RA, Goodrich S, Pod-
zielinski I, et al. Effectiveness of a multivariate index assay in
the preoperative assessment of ovarian tumors. Obstet Gynecol.
2011;117:1289---97.
34. Timmerman D, van Calster B, Jurkovic D, Valentin L, Testa
AC, Bernard JP, et al. Inclusion of CA-125 does not improve
mathematical models developed to distinguish between benign
31
and malignant adnexal tumors. J Clin Oncol. 2007;25:
4194---200.
35. Van Calster B, Timmerman D, Bourne T, Testa AC, van Hols-
beke C, Domali E, et al. Discrimination between benign and
malignant adnexal masses by specialist ultrasound examination
versus serum CA-125. J Natl Cancer Inst. 2007;99:1706---14.
36. Drapkin R, von Horsten HH, Lin Y, Mok SC, Crum CP, Welch WR,
et al. Human epididymis protein 4 (HE4) is a secreted glycopro-
tein that is overexpressed by serous and endometrioid ovarian
carcinomas. Cancer Res. 2005;65:2162---9.
37. Moore RG, Brown AK, Miller MC, Skates S, Allard WJ, Verch
T, et al. The use of multiple novel tumor biomarkers for the
detection of ovarian carcinoma in patients with a pelvic mass.
Gynecol Oncol. 2008;108:402---8.
38. Van Gorp T, Cadron I, Despierre E, Daemen A, Leunen K, Amant F,
et al. HE4 and CA125 as a diagnostic test in ovarian cancer: Pros-
pective validation of the risk of ovarian malignancy algorithm.
Br J Cancer. 2011;104:863---70.
39. Amor F, Vaccaro H, Alcázar JL, León M, Cgaig JM, Martínez J.
Gynecologic imaging reporting and data system: A new propo-
sal for classifying adnexal masses on the basis of sonographic
findings. J Ultrasound Med. 2009;28:285---91.
40. Amor F, Alcázar JL, Vaccaro H, León M, Iturra A. GI-RADS repor-
ting system for ultrasound evaluation of adnexal masses in
clinical practice: A prospective multicenter study. Ultrasound
Obstet Gynecol. 2011;38:450---5.
41. Qiuyue C, Guorong L. The applicational value of GI-RADS
ultrasonographic stratification in diagnosing adnexal masses.
Chinese J Ultrasound Med. 2013;29:527---9.
42. Rams N, Muñoz R, Soler C, Parra J. Resultados de la clasificación
Gynecologic Imaging Reporting and Data System para la catalo-
gación de masas anexiales. Prog Obstet Ginecol. 2015;58:125---9.
43. Ameye L, Timmerman D, Valentin L, Paladini D, Zhang J, van
Holsbeke C, et al. Clinically oriented three-step strategy for
assessment of adnexal pathology. Ultrasound Obstet Gynecol.
2012;40:582---91.
44. Sayasneh A, Kaijser J, Preisler J, Johnson S, Stalder C, Husicka
R, et al. A multicenter prospective external validation of the
diagnostic performance of IOTA simple descriptors and rules to
characterize ovarian masses. Gynecol Oncol. 2013;130:140---6.
45. Alcázar JL, Pascual MA, Graupera B, Auba M, Errasti T,
Olartecoechea B, et al. External validation of IOTA simple
descriptors and simple rules for classifying adnexal masses.
Ultrasound Obstet Gynecol. 2016;48:397---402, http://dx.doi.
org/10.1002/uog.15854.
46. Van Calster B, van Hoorde K, Valentin L, Testa A, Fischerova
D, van Holsbeke C, et al. Evaluating the risk of ovarian cancer
before surgery using the ADNEX model to differentiate between
benign, borderline, early and advanced stage invasive, and
secondary metastatic tumours: Prospective multicentre diag-
nostic study. BMJ. 2014;349:g5920.